Возможности среды Matlab для построения нейронных сетей, использование предоставленными возможностями, страница 9

Percentage Correct classification   : 95.348837%

Percentage Incorrect classification : 4.651163%

2.9.6.  Crab classification

Данный пример демонстрирует использование нейронных сетей для определения пола крабов исходя из их физического размера. Рассматриваются шесть физических характеристик краба: вид, перед, задняя ширина, длина, ширина и размер. Задача – определить пол краба, учитывая наблюдаемые значения каждой из этих шести характеристик.

fid = fopen('private/crabdata.csv');

C = textscan(fid,'%f%f%f%f%f%f%s','delimiter',',');  % Import data

fclose(fid);

physchars = [C{1} C{2} C{3} C{4} C{5} C{6}]; % inputs to neural network

female = strncmpi(C{7}, 'Female', 1);

male = strncmpi(C{7}, 'Male', 1);

sex = double([female male]);                 % targets for neural network

physchars = physchars';

sex = sex';

rand('seed', 491218382)

net = newff(physchars,sex,20); % Create a new feed forward network

[net,tr] = train(net,physchars,sex);

testInputs = physchars(:,tr.testInd);

testTargets = sex(:,tr.testInd);

out = sim(net,testInputs);        % Get response from trained network

[y_out,I_out] = max(out);

[y_t,I_t] = max(testTargets);

diff = [I_t - 2*I_out];

f_f = length(find(diff==-1));     % Female crabs classified as Female

f_m = length(find(diff==0));      % Female crabs classified as Male

m_m = length(find(diff==-2));     % Male crabs classified as Male

m_f = length(find(diff==-3));      % Male crabs classified as Female

N = size(testInputs,2);               % Number of testing samples

fprintf('Total testing samples: %d\n', N);

cm = [f_f f_m; m_f m_m]           % classification matrix

Total testing samples: 40

cm =

18     0

1    21

cm_p = (cm ./ N) .* 100          % classification matrix in percentages

fprintf('Percentage Correct classification   : %f%%\n', 100*(cm(1,1)+cm(2,2))/N);

fprintf('Percentage Incorrect classification : %f%%\n', 100*(cm(1,2)+cm(2,1))/N);

cm_p =

45.0000         0

2.5000   52.5000

Percentage Correct classification   : 97.500000%

Percentage Incorrect classification : 2.500000%

Во время проведения данной демонстрации не пострадало ни одного краба.

2.9.7.  Gene expression analysis

Этот пример демонстрирует поиск образцов в генетических профилях пекарских дрожжей при помощи нейронных сетей.

Целью является получение некоторого представления о Saccharomyces cerevisiae, также известных, как пекарские дрожжи или пивные дрожжи. Это хлеб, который использовался для выпечки хлеба и брожения вина.

Данный пример использует данные микромассива ДНК для изучения временных генетических выражений в практически всех генах Saccharomyces cerevisiae во время «диоксидной смены».

load yeastdata.mat

numel(genes)

ans =

6400

genes{15}

ans =

YAL054C

emptySpots = strcmp('EMPTY',genes);

yeastvalues(emptySpots,:) = [];

genes(emptySpots) = [];

numel(genes)

ans =

6314

nanIndices = any(isnan(yeastvalues),2);

yeastvalues(nanIndices,:) = [];

genes(nanIndices) = [];

numel(genes)

ans =

6276

mask = genevarfilter(yeastvalues);

% Use the mask as an index into the values to remove the filtered genes.

yeastvalues = yeastvalues(mask,:);

genes = genes(mask);

numel(genes)

ans =

5648

[mask, yeastvalues, genes] = genelowvalfilter(yeastvalues,genes,...

'absval',log2(3));

numel(genes)

ans =

822

[mask, yeastvalues, genes] = geneentropyfilter(yeastvalues,genes,...

'prctile',15);

numel(genes)

ans =

614

yeastvalues = mapstd(yeastvalues');   % Normalize data

pc = processpca(yeastvalues,0.15);    % PCA

figure

scatter(pc(1,:),pc(2,:));

xlabel('First Principal Component');

ylabel('Second Principal Component');

title('Principal Component Scatter Plot');

анализ кластеров:самоорганизующиеся карты:

net = newsom(pc,[5 3]);

net = train(net, pc);

figure

plot(pc(1,:),pc(2,:),'.g','markersize',20)

hold on

plotsom(net.iw{1,1},net.layers{1}.distances)

hold off

distances = dist(pc',net.IW{1}');

[d,cndx] = min(distances,[],2);

% cndx gives the cluster index

figure

gscatter(pc(1,:),pc(2,:),cndx); legend off;

hold on

plotsom(net.iw{1,1},net.layers{1}.distances);

hold off

2.10.  Системы управления

2.10.1.  Predictive control of a tank reactor